Gomez Larrakoetxea, NereaSanz Urquijo, BorjaGarcía Barruetabeña, JonPastor López, Iker2026-07-232026-07-232023-01Gómez Larrakoetxea, N., Sanz Urquijo, B., García Barruetabeña, J., & Pastor López, I. (2023). Estrategia de selección de hardware y algoritmos de inteligencia artificial en entornos “Edge computing”. Revista DYNA, 98(1), 38-44. https://doi.org/10.6036/106710012-736110.6036/10671https://hdl.handle.net/20.500.14454/6421Actualmente la mayoría de los datos que se recogen en las empresas y en los entornos de fabricación industrial a través de dispositivos IoT se procesan en la nube [1]. Dado el gran volumen de datos que cada empresa gestiona debido a la aparición del IoT, la computación en la nube no es la mejor opción para ciertos sectores como es el de la automoción [3]. Dentro de este sector, la calidad que el cliente final percibe está directamente relacionada con la cadena de montaje. Estas cadenas de montaje recogen una cantidad elevada de variables (temperaturas, presiones, bombas, etc.) y una predicción en tiempo real mediante pequeños gemelos digitales en este proceso evitaría costes tanto de material como de mano de obra. Hoy en día, realizar esa anticipación mediante modelos de inteligencia artificial en tiempo real es inviable debido a la latencia existente con el procesamiento en la nube. Es por eso, que existe una necesidad inminente de desarrollar aplicaciones que se desplieguen en el borde o 'Edge' de la red para el proceso de fabricación y pintado del automóvil que permitan la generación de gemelos digitales. En esta línea, la propuesta del concepto 'Edge Computing' [2] busca paliar en parte esta situación. Por este motivo, este artículo se ha centrado no solo en demostrar que al dividir los datos de un modelo grande generando pequeños modelos ‘Edge’ se mantiene la capacidad de predicción de cada algoritmo, sino que también se han realizado pruebas de estrés (límites, restricciones, etc.) en la tecnología hardware 'Edge Computing' disponible actualmente en el mercado que permite generar y procesar este tipo de modelos.Currently most of the data collected in companies and industrial manufacturing environments through IoT devices is processed in the cloud [1]. Given the large volume of data that each company manages due to the emergence of IoT, cloud computing is not the best option for certain sectors such as automotive [3]. Within this sector, the quality perceived by the end customer is closely linked to the assembly line. These assembly lines collect a high number of variables (temperatures, pressures, pumps, etc.) and a real-time prediction by means of small digital twins in this process would avoid both material and labor costs. Today, to perform such anticipation through artificial intelligence models in real time is unfeasible due to the latency that exists with cloud processing. Therefore, there is an imminent need to develop applications that are deployed at the edge of the network for the automotive manufacturing and painting process that enable the generation of digital twins. In this regard, the proposal of the ‘Edge Computing’ concept [2] seeks to mitigate in part this situation. For this reason, this paper has focused not only on demonstrating that splitting the data of a large model by generating small ‘Edge’ models maintains the predictive capacity of each algorithm, but also stress tests (limits, constraints, etc.) have been performed on the ‘Edge Computing’ hardware technology currently available on the market that allows generating and processing this type of models.spaCopyright of DYNA - Ingeniería e Industria is the property of Publicaciones Dyna SLComputación en el bordeInternet de las cosasInteligencia artificialIndustria 4.0Edge computingInternet of thingsMachine learningIndustry 4.0journal article2026-07-230012-7361